Relational Learning from Ambiguous Examples

Dominique Bouthinon (1) , Henry Soldano (1)

1 LIPN - Laboratoire d'Informatique de Paris-Nord

Dans cet article nous étudions une situation d'apprentissage relationnel où chaque exemple est ambigu dans le sens où il est dissimulé au sein d'un ensemble de descriptions. Ce cas apparait en apprentissage de règles lorsque les valeurs de vérité de certains atomes décrivant un exemple sont inconnues, alors qu'on dispose d'une théorie du domaine permettant de limiter les descriptions possibles de cet exemple. Le but de la tâche d'apprentissage étudiée ici est de trouver, malgré l'ambiguité des exemples, la plus simple représentation du concept sous-jacent. Nous présentons tout d'abord un cadre d'apprentissage de règles du premier ordre à partir d'exemples ambigus, puis une implementation de ce cadre appelée LEAR. Enfin, nous proposons des résultats expérimentaux où LEAR fait face à des degrés d'ambiguité.

Mots clés: Apprentissage relationnel supervisé; incertitude

Domaines: Intelligence artificielle [cs.AI]

Dominique Bouthinon, Henry Soldano. Relational Learning from Ambiguous Examples. Reconnaissance de Formes et Intelligence Artificielle (RFIA) 2014, Jun 2014, France. ⟨hal-00989218⟩